Maschinelles Lernen in der Struktur-Aerodynamik: Physik-basierte datengesteuerte Modellierung

• Antragsteller: Dr.-Ing. Igor Kavrakov
• Fachliche Zuordnung: Angewandte Mechanik, Statik und Dynamik ; Konstruktiver Ingenieurbau, Bauinformatik und Baubetrieb ; Strömungsmechanik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 491258960

Die großen Mengen an Daten, die bei Windkanaltests und der Zustandsüberwachung von Bauwerken gesammelt werden, motivieren den Einsatz von Methoden des maschinellen Lernens zur Nachbildung der aerodynamischen Kräfte, die auf Ingenieurbauwerke, wie weitgespannte Brücken und Türme, wirken. Diese Kräfte sind maßgebend für das Design und die Nachhaltigkeit von Bauwerken. Ihre Modellierung stellt aufgrund der nichtlinearen und instationären Natur eine Herausforderung dar. Traditionell werden semi-analytische und Computational Fluid Dynamics (CFD)-Modelle als physikalisch-basierte Modelle verwendet, um die aerodynamischen Kräfte zu simulieren. In letzter Zeit wurden jedoch datengesteuerte aerodynamische Modelle aufgrund ihrer flexiblen mathematischen Formulierung im Vergleich zu den semi-analytischen Modellen und ihrer Berechnungseffizienz im Vergleich zu den CFD-Modellen vermehrt eingesetzt. Allerdings handelt es sich bei datengesteuerten Modellen um Black-Box-Modelle, die anfällig für Robustheitsprobleme sein können.Im Vorhaben soll eine Physik-basierte datengesteuerte Methodik zur Modellierung der aerodynamischen Kräfte entwickelt werden. Die Methodik soll Gauß´sche Prozesse (GPs) als maschinelles Lernen zur Modellierung der nichtlinearen aerodynamischen Kräfte einsetzen, unter Berücksichtigung eines semi-analytischen Modells, das auf physikalischen Grundlagen beruht. Es soll untersucht werden, ob ausgewählte mathematische Formulierungen des datengesteuerten Modells geeignet sind, nichtlineare Merkmale in den aerodynamischen Kräften, wie die Harmonische höherer Ordnung und Nicht-Stationarität, zu erfassen. Durch die Verwendung eines semi-analytischen Modells als Prior der GPs wird die Physik in das Modell integriert, wodurch die Robustheit des Modells erhöht wird. Es wird eine Strategie zur Erzeugung eines Trainingssignals entwickelt, um das datengesteuerte Modell adäquat zu trainieren. Basierend auf dieser Strategie sollen CFD-Daten generiert werden, um das datengesteuerte Modell zu trainieren und anschließend die Vorhersage mehrerer aeroelastische Phänomene zu verifizieren. Das vorgeschlagene datengesteuerte Modell soll mit analytischen Benchmark-Modellen verifiziert und mit Windkanal-Modellen validiert werden. Zum Abschluss wird ein Online-Lernalgorithmus zur Aktualisierung des datengesteuerten Modells vorgeschlagen, der auf einem kontinuierlichen Datenstrom basiert, der typischerweise während der Zustandsüberwachung gesammelt wird.Schließlich zielt die vorgeschlagene Methodik darauf ab, Wissen aus Daten und Physik zusammenzubringen, um ein robustes und effizientes nichtlineares aerodynamisches Modell zu erstellen. Ein solches Modell würde ein tieferes Verständnis der physikalischen Prozesse während der Fluid-Struktur-Interaktion und eine genaue Vorhersage der aerodynamischen Kräfte für das Design und die Überwachung von Strukturen bieten. Somit hat es das Potenzial, sowohl für Akademiker als auch für Praktiker von Bedeutung zu sein.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Großbritannien
• Gastgeber: Professor Dr. Allan McRobie